Εισαγωγή (Βασικά μοντέλα αναπαράστασης τεχνητού νευρώνα, είδη συναρτήσεων ενεργοποίησης, Βασικές αρχιτεκτονικές δομές των Νευρωνικών Δικτύων. Βασικοί αλγόριθμοι της διαδικασίας μάθησης (Βασικά παραδείγματα μάθησης και η στατιστική φύση της διαδικασίας μάθησης, Βασικά στοιχεία της Θεωρίας της Μάθησης). Αλγόριθμος του Perceptron (Θεμελίωση του αλγορίθμου, θεώρημα σύγκλισης και μέτρο απόδοσης του αλγορίθμου). Αλγόριθμος Ελάχιστου Μέσου Τετραγωνικού Λάθους (Εξισώσεις Wiener-Hopf, επίλυσή τους με τον αλγόριθμο απότομης καθόδου (steepest descent), μελέτη σύγκλισης, καμπύλη μάθησης και μεθοδολογία εκπαίδευσης στοιχείου ADALINE). Perceptrons πολλών επιπέδων. Ο αλγόριθμος Πίσω Διάδοσης του Λάθους. Ο Γενικευμένος Δέλτα Κανόνας. Τρόποι εκπαίδευσης του δικτύου. Μελέτη Περίπτωσης: Αρχές και περιορισμοί σχεδιασμού Τεχνητών νευρωνικών Δικτύων. Εφαρμογές. Εισαγωγή στους Γενετικούς Αλγορίθμους – ΓΑ (Εισαγωγή, Τι είναι Γενετικός Αλγόριθμος, βιολογικό υπόβαθρο, σχεδίαση ΓΑ, αναπαράσταση χρωμοσωμάτων, τελεστές επιλογής, τελεστές διασταύρωσης και μετάλλαξης, παράμετροι ΓΑ). Μαθηματική Θεμελίωση των Γενετικών Αλγορίθμων (Εισαγωγή, Ποίος θα Ζήσει και Ποιος θα Πεθάνει: το Βασικό Θεώρημα, Γιατί και Πώς Λειτουργούν οι Γενετικοί Αλγόριθμοι. Υλοποίηση Γενετικού Αλγορίθμου σε Η/Υ (Εισαγωγή, Δομές δεδομένων, Αναπαραγωγή, Διασταύρωση και Μετάλλαξη, Το Κυρίως Πρόγραμμα, Κωδικοποίηση, Περιορισμοί). Μερικές εφαρμογές των Γενετικών Αλγορίθμων (Εισαγωγή, Το δίλημμα των Φυλακισμένων, Πρόβλεψη Χρονοσειρών, Το Πρόβλημα του Ταξιδεύοντα Πωλητή). Εφαρμογές ΓΑ σε προβλήματα του πραγματικού κόσμου.
